語音識別:抗噪音能力有待加強
王向東 欒煥博 林守勛 錢躍良 2006/08/11
語音識別已經成為一個面向多種應用、滿足多種需求的龐大體系，這種技術的廣泛應用推動了語音識別評測的誕生，而評測反過來又推動了語音識別技術的進步。
語音識別是指用計算機對人的語音信號進行分析處理，從而得到其對應文字的過程。其最終目的就是實現一種自然的人機交互方式，使機器能聽懂人的語言，辨明話音的內容，將人的語音正確地轉化為對應的文本，或者根據語義做出相應的動作。常見的應用系統有語音輸入系統、語音控制系統、智能對話查詢系統等。而語音識別評測是指針對語音識別的某項應用，創(chuàng)建評測語料庫，提出評測指標和對應算法，用評測語料訓練和測試各參評系統，并對其識別結果進行比較和分析的過程。
實際上，從1987年起，美國國家標準技術局就開始組織對各大學和公司研發(fā)的語音識別系統進行評測。十幾年間，根據技術的現狀，組織了多次不同任務的評測，促進了領域內的競爭和交流，對語音識別技術的進步和發(fā)展起到了巨大的引領和推動作用。
當前，國際上知名的語音識別評測主要有: 美國NIST（國家標準技術局）評測、歐洲TC-STAR評測和中國的863評測。美國NIST評測是開展歷史最久、項目設置最全也最負盛名的評測，近20年來，每年都針對語音識別方向的熱點技術組織國際性評測，涉及的語言有英語、漢語普通話和阿拉伯語，涉及的任務有孤立詞識別、關鍵詞識別和大詞匯量連續(xù)語音識別，涉及的語音包括了朗讀語音、自然語音、對話語音、廣播語音、會議語音等各種常見的語音類別。TC-STAR語音識別評測是歐盟TC-STAR項目的一部分。該項目主要針對語音到語音的機器自動翻譯。其語音識別評測任務為連續(xù)語音識別，針對英語、西班牙語和漢語普通話，處理的語音為會議發(fā)言（英語、西班牙語）或新聞廣播（漢語）。863語音識別評測是類似NIST評測的綜合性評測，語言以漢語為主，任務和通道多樣，根據語音識別技術的現狀和發(fā)展趨勢不斷調整。
語音識別的主要技術
近年來，由于大規(guī)模語料庫的支持，基于統計的語音識別方法逐漸發(fā)展成熟，取得了較好的識別結果，成為當前語音識別技術的主流�；陔[馬爾可夫模型（HMM）的統計語音識別在各個通道，各種任務的語音識別中得到了廣泛應用。
圖1所示為當前大多數語音識別系統采用的框架和流程。原始語音經前端處理后，從中提取出若干維的特征向量用于識別。識別時，聲學模型和語言模型共同作用，得到使某一概率最大的字串作為識別結果。
前端處理是指在特征提取之前，先對原始語音進行處理，部分消除噪聲和不同說話人帶來的影響，使處理后的信號更能反映語音的本質特征。最常用的前端處理有端點檢測和語音增強。端點檢測是指在語音信號中將語音和非語音信號時段區(qū)分開來，準確地確定出語音信號的起始點。經過端點檢測后，后續(xù)處理就可以只對語音信號進行，這對提高模型的精確度和識別正確率有重要作用。語音增強的主要任務就是消除環(huán)境噪聲對語音的影響。目前通用的方法是采用維納濾波，該方法在噪聲較大的情況下效果好于其他濾波器。
在特征提取階段，一般是把語音信號切分成幾十毫秒的幀，對每一幀提取一個特征向量。但這樣會丟失幀與幀之間的聯接信息，無法反映幀之間的變化過程，因此，還應該加上向量的一階差分和二階差分（相當于連續(xù)函數中的一階導數和二階導數）共同構成特征。
如上文所述，目前主流的語音識別系統大多基于統計模式識別原理，其基礎是由聲學模型和語言模型共同構成的統計模型。
聲學模型是識別系統的底層模型，其目標是通過模型度量，尋找語音特征向量序列對應的發(fā)音。當前常用的聲學模型是隱馬爾可夫模型（HMM）。HMM模型可以看成一個雙重隨機過程，一個馬爾可夫鏈的各個狀態(tài)可以產生出各種輸出。這種機制較合理地模仿了人類語言活動的過程，對孤立詞和連續(xù)語音識別來說都是較理想的聲學模型。
語言模型的作用是通過提供字或詞之間的上下文信息和語義信息。對于大詞匯量連續(xù)語音識別，語言模型是必不可少的關鍵模塊之一。目前比較成熟的方法是統計語言模型，當前的主流方法是N元文法（N-gram），其主要思想是根據已知前（N-1）個字或詞，預測第N個字或詞出現的概率。由于訓練語料的限制，目前主要采用三元語法。
訓練統計模型
對于統計模型，要想使得它能夠識別語音，必須對模型進行訓練。所謂訓練，是指對大量的訓練語料進行統計和處理，計算和調整模型的參數，使模型對未訓練過的數據也能達到理想的識別結果。語音識別系統的訓練主要包括聲學模型的訓練和語言模型的訓練。對于廣泛采用的HMM聲學模型，其訓練主要是獲取HMM中的狀態(tài)轉移概率、各狀態(tài)的輸出概率分布等參數。常用的方法是基于最大似然估計原理的迭代算法（如Baum-Welch算法）。對于基于三元文法的語言模型，其訓練主要是從大量的文本中計算三元組的概率。
當模型訓練好以后，就可以進行識別了。語音識別算法的主要思路是在侯選的詞串中搜索使聲學模型和語言模型的概率乘積最大的詞串。因此，識別過程也常稱作搜索（Search）或解碼（Decoding）。當前常用的搜索算法是Viterbi算法，其本質是一種動態(tài)規(guī)劃方法。
當前的語音識別系統大都是說話人無關（Speaker Independent）系統，即事先并不知道要識別的語音的說話人特征。但是，對于某個說話人，如果能夠適當學習他（她）的發(fā)音特點，調整模型參數，顯然會使得識別效果更好。這就是說話人自適應的主要原理。所謂說話人自適應，是指對大訓練集上得到的模型參數進行調整，使之對當前說話人產生更好地識別效果�？梢哉f，說話人自適應實際上是希望通過少量數據的增強訓練（即所謂的自適應過程），使非特定人系統接近特定人系統的性能。常用的說話人自適應方法主要有兩種:
最大后驗概率（MAP）方法和最大似然線性回歸（MLLR）方法。MPA算法采用基于最大后驗概率準則，具有理論上的最優(yōu)性，因此在小詞表的語音識別任務中具有相當好的性能。其缺點是對大詞匯量的任務自適應速度緩慢，無法滿足應用的要求。因此，當前的大詞匯量連續(xù)語音識別系統大多采用MLLR方法，或將MAP與MLLR結合。從評測結果來看，如果有充分的時間調整說話人自適應模型，連續(xù)語音識別中的字錯誤率可以下降1至4個百分點。
從幾年來各參評系統采用的主要技術來看，當前語音識別系統中的技術嚴重趨同。幾乎所有的參評系統都采用上述框架和基本模塊，區(qū)別主要在于模塊內部的細化程度，或者把某模塊中的幾種技術做些組合。例如，采用不同的前端處理方法，對男女聲和有無噪聲的語音分類處理，以及同時采用多種聲學特征和不同的搜索策略構造多個識別子系統，最后對各子系統的識別結果做一種類似投票的表決（ROVER技術），得到最終識別結果。
由于863語音識別評測并不限制訓練數據的使用，各單位可以使用自備的所有數據。因此，從評測結果及各單位的研討中可以看到，訓練數據的數量和質量對系統的性能有很大的影響。為了使評測更公平，2005年的評測中提供了一定量的統一訓練集，但規(guī)模還較小。在以后的評測中，將考慮提供大量的訓練集，希望能夠避免因訓練數據不同而造成的性能差異。
863計劃中語音識別評測
從2003年起，中國科學院計算技術研究所連續(xù)三年承辦863計劃中文信息處理與智能人機接口技術評測，語音識別評測始終是其中的一個主要分項。三年間，863語音識別評測受到了國內外語音識別研究者的關注，參加單位數逐年遞增，成為國內語音識別領域最高級別的交流平臺，在國際上也具備了相當的影響力。
2003年和2004年度語音識別評測采用現場評測方式，即各參評系統的運行在評測現場同時進行。這種組織形式比較嚴格，一旦參評系統運行出現故障將無法繼續(xù)。而且，要求所有參評單位必須到場，其成本也較高。為了避免這些問題，2005年的863評測采用目前國際通用的網上評測的方法，即在網上發(fā)布數據，各參評單位在自己的運行環(huán)境上運行參評系統后將識別結果通過網絡提交給評測單位。
863語音識別評測最大的特色在于測試數據的選取。文本語料的選取采用從大規(guī)模原始語料庫中篩選的方法，充分考慮到了對各種韻律學特征（音節(jié)、二音子、三音子、音連關系等）、語法特征（句型和句法結構等）和各種領域、各種文體（散文、小說、實事新聞等）的覆蓋。錄音時不是采用實驗室加噪聲，而是在完全真實的場景中錄制數據，并且充分考慮到了說話人、信噪比等因素的覆蓋，在實驗的基礎上提出了真實環(huán)境中信噪比的分布模型，并在此模型的指導下錄制數據。這種以實驗和理論為依據、以算法為支撐，控制各種語音屬性，從而最大限度地擬合真實應用的數據采集方法，在國際上也是很有特色的。目前國際上的同類評測，錄音場景多為實驗室，對各種影響因素一般只做寬泛的覆蓋，幾乎沒有按理論模型控制的方法。
863語音識別評測的另一個特點是對結果做了充分的統計分析。目前的國際評測一般除給出相應的指標外，還會做一些統計分析，而之前的國內評測卻很少這么做。從2004年開始，863語音識別評測也開始對結果進行統計分析，而在2005年的評測中，更是采用專業(yè)統計學方法，采用實驗設計、假設檢驗、回歸分析、方差分析、協方差分析等一系方法對結果及影響結果的因素進行了深入分析，對各評測單位認清自己系統的優(yōu)勢和缺點，進一步改進起到了很大作用。
另外，在電話連續(xù)語音關鍵詞識別評測中，在2004年嘗試了以語義槽為單位的基于語法關鍵詞識別任務和評測指標，在2005年首次使用了兩個說話人一起錄制的自然對話語音，更加符合真實應用的特點，這在國際同類評測中都是沒有的。
從評測結果看語音識別技術現狀
863語音識別評測，包括PC、電話、嵌入式設備三個語音通道，涉及聽寫機、對話查詢、命令詞識別等多種任務，基本上涵蓋了當前語音識別的主要研究和應用方向。而參評的又大都是國內長期進行該項研究、有較高水平的單位和系統，因此，無論是采用的方法還是識別的效果，本次評測都可以真實反映出國內語音識別技術的現狀。這里結合2004年的評測，對評測結果進行分析。之所以選擇2004年的評測結果，是因為它的評測分項最全，幾乎覆蓋了語音識別的各種應用。
1. 識別結果的評價
評測的主要目標就是通過對識別結果的評價、分析了解參評系統的性能的和語音技術的現狀。因此，制訂有效的、能夠真實反映出系統性能的評價指標也是很重要的研究任務。
對于大詞匯量連續(xù)語音識別來說，國際上通用的指標是文字錯誤率（對于英語，文字指單詞; 對于漢語，文字指字，下同）。其基本思想為采用動態(tài)規(guī)劃算法將標準答案與識別結果對齊，以得到“正確文字數”、“替換文字數”、“插入文字數”、“刪除文字數”四項參數，然后計算文字錯誤率。
錯誤文字數 ＝ 替換 ＋ 插入 ＋ 刪除文字數
文字錯誤率 ＝ 錯誤文字數 / 原文答案文字數
下面給出一個例子:
LAB: 新 增 四 百 萬 千 瓦 時 的 強 大 電 流 輸 入 云 南 的 電 網
REC: 新 增 四 百 花 錢 忙 時 的 槍 打 電 流 于 樹 綠 云 南 電 網
C C C C N N N C C N N C C I N N C C D C C
其中，LAB是標準答案，REC是識別結果，上面的格式是根據編輯距離最小對齊的結果，第三行標記了各類文字，C表示正確文字，N表示替換文字，I表示插入文字，D表示刪除文字。
2004年863語音識別評測中的電話連續(xù)語音識別評測分項采用的主要指標是語義槽識別正確率，即用語料文本解析得到的標準答案和識別結果相比較，完全匹配的槽認為是識別正確的，定義槽識別正確率為:
槽識別正確率 ＝ 正確識別的槽的個數 / 標準答案中槽的總數
對于嵌入式設備命令詞識別，由于是孤立詞識別，因此采用命令詞識別正確率即可:
命令詞識別正確率 ＝ 正確識別的命令詞數 / 命令詞總數
2. 識別系統性能
對各系統給出的識別結果計算上述指標，得到對各系統識別性能的評價。表1給出了每個分項中識別效果最好的系統的指標，以及前三名系統的平均指標。為了統一，將電話連續(xù)語音識別中的槽識別正確率和嵌入式設備命令詞識別中的命令詞識別正確率統稱為正確率。對桌面（這里指PC，以下同）連續(xù)語音識別，采用文字正確率，定義為（目前研究者對文字正確率定義稍有不同，本文中一律以下面的定義為準）:
文字正確率 ＝ 1 － 文字錯誤率
表中的最高正確率基本可以代表該分項的最高水平，前三名的正確率均值可以一定程度上反映該分項的平均水平，而前三名正確率的方差可以反映該分項中各系統的性能差異程度。
從表中可以看到，桌面連續(xù)語音識別分項中，漢語的識別效果遠遠好于英語（文字正確率最多相差20個百分點）。其原因顯然在于國內對漢語語音識別的研究比英語多而且深入。另外，英語訓練語料的相對缺乏，也是一個重要原因。
在采用了語法限制的語義槽識別任務和槽識別正確率作為評測指標后，電話連續(xù)語音的槽識別正確率較低。事實上，由于電話語音的錄制環(huán)境為辦公室環(huán)境，其噪音比桌面語音要小得多，所以正確率較低的原因主要在于對語法的處理和槽識別正確率較低。
嵌入式設備命令詞識別的正確率與桌面語音字正確率大致相當。一方面，連續(xù)語音識別要比孤立詞識別困難，另一方面，嵌入式設備的語音通道和計算資源都比PC差得多，從結果可以看出，這兩方面的因素基本抵消。
從各分項前三名的正確率方差可以看出，漢語桌面連續(xù)語音識別和嵌入式設備命令詞分項中各系統的性能差異較小，而英語桌面連續(xù)語音識別，特別是一倍實時任務中各系統性能差異較大。這是因為當前語音識別的研究重點在于前者，研究者較多，研究也比較深入，而英語的識別相對來說研究者較少。
3. 影響系統識別性能的因素
從上面的識別結果評價可以看出，對真實噪音環(huán)境下錄制的語音數據，當前的語音識別系統識別正確率偏低，還很難達到實用。
從語音識別產生以來，噪音一直是影響識別效果的主要因素。為了分析噪音對識別的影響，將評測數據按信噪比（SNR）分段，從參評系統選取三個，分別計算其在各段內的識別正確率，可以看出，識別正確率基本上隨著SNR的增大而提高，SNR在20dB以上的數據正確率比SNR在5～10dB的數據高近30個百分點。對桌面連續(xù)語音識別的其他分項和嵌入式命令詞識別的結果分析也得到類似的結果。
對于電話連續(xù)語音識別來說，由于錄制環(huán)境是辦公室真實環(huán)境，因此噪音并不是影響性能的主要因素。電話連續(xù)語音識別分為5個子領域，每個子領域各有一套語法。評測句子由語法生成的有效成分在前后加上任意長的填充詞（filler）構成，如語法生成的句子為“從天安門到中關村怎么坐公交車”，而實際錄制的句子是“你好，請問從天安門到中關村怎么坐公交車，可以查到嗎？”，其中的“你好，請問”和“可以查到嗎”就是filler。由分析可以發(fā)現，不同領域內的槽識別正確率相差很大。這主要有兩個原因，一是不同領域的語法復雜度不同，二是不同領域內有filler的句子所占比例不同。為了進一步衡量filler對識別的影響，選取三個識別系統，將有filler的句子和沒有filler的句子分別計算識別率，統計結果如圖2所示。從圖中可以看出，filler對識別的影響是相當大的，無filler的句子比有filler的句子識別正確率可以高幾十個百分點。
從上面的介紹可以看到，國內語音識別研究發(fā)展迅速，識別性能日益提高，
但在對真實環(huán)境下錄制的數據，特別是信噪比較低的情況下，識別性能還無法達到實用要求。對于桌面連續(xù)語音和嵌入式設備上的孤立詞識別，對噪音的魯棒性不高是系統面臨的主要問題。對于電話查詢系統來說，對語義的解析和無關語句的處理還存在一定困難。另外，對非朗讀的自然語音，如對話、會議內容的識別，對電視廣播節(jié)目內容的識別或檢索近年來吸引了越來越多研究者的注意，國外的一些評測機構也組織了這方面的評測，863語音識別評測也在考慮增加相應的項目�？傊�，863語音識別評測將繼續(xù)針對這些任務，針對噪音、方言、自然語音等關鍵問題構建評測語料庫，開展評測，提供結果分析，組織討論交流，以促進語音識別技術的發(fā)展。
計算機世界網(www.ccw.com.cn)
相關鏈接: